Scenes AI : Dawa parie sur le contrôle, pas sur les pixels

La démo qui vend cette société n'est pas un rendu. C'est un flux en direct.

Un présentateur se tient dans un bureau ordinaire. Le sol s'effondre. Quelque chose avec des défenses en sort. Une chaise à côté de lui se déforme en trône à tête de loup et il s'assied. Un arbre pousse d'un pot de fleurs, un rideau prend feu, puis la pièce entière devient une prairie animée.

Personne dans ce cadre n'est incrusté. La personne est réelle, la caméra est réelle, et les créatures, accessoires et décors sont générés en temps réel sur une seule RTX 5090 grand public. C'est la promesse que Dawa Technology — une société de Chongqing qui se décrit comme un atelier de modèles fondamentaux de mondes génératifs — a faite en lançant Scenes AI en septembre, et c'est pourquoi son nom surgit soudain dans les conversations d'investisseurs.

Ce qu'ils ont réellement construit

L'architecture est décrite comme une couche de contrôle lourde et une couche de génération légère, et cela vaut la peine d'être déplié, parce que c'est l'inverse de la mode actuelle.

Plutôt que de demander à un grand modèle de redessiner chaque image, Dawa a glissé un système de contrôle entre l'intention créative et les pixels. Cette couche, appelée Latent Stage, fait 34 milliards de paramètres et modélise les personnes, le mouvement, la caméra, l'éclairage, les costumes, les accessoires et les interactions physiques comme des variables séparées mais contraintes ensemble. Changez une chose, le reste de l'état du monde est figé.

La société annonce 98,2 % de réussite sur les éditions continues ciblées et 93,3 % de préservation de l'identité. Ce sont des chiffres d'éditeur, mesurés sur ses propres tests, à prendre comme des indications de direction. Indication prise, ils décrivent exactement le problème dont tout le monde se plaint en vidéo IA : vous demandez un petit changement et le modèle reconstruit le monde.

En dessous, la couche de génération ne calcule que la partie qui a bougé. Leur micro-diffusion locale parcellaire touche 10 à 20 % de l'image, ce qui, selon eux, réduit la consommation GPU de 40 à 60 % et rend l'inférence trois à cinq fois plus rapide. Les murs, sols et visages stables sont réutilisés au lieu d'être rediffusés.

Vient ensuite LiveStage, le chemin temps réel : environ 4 milliards de paramètres actifs par étape, 720p à 25 images par seconde, plus de 120 minutes sans dérive. Sur une seule carte graphique. C'est ce dernier chiffre qui compte, parce que la dérive tue toutes les longues sessions génératives — la scène mute lentement jusqu'à devenir une autre pièce.

Pourquoi le business hors ligne est la partie intéressante

Les démos temps réel sont amusantes et difficiles à monétiser. Le chiffre d'affaires de Dawa, selon la société, vient de quelque chose de beaucoup moins glamour : les micro-drames.

Le marché chinois du micro-drame vertical est énorme et d'une sensibilité au coût brutale. Hongguo, l'application gratuite de micro-drames de ByteDance, comptait environ 403 millions d'utilisateurs mensuels en juillet et août ; l'entrée en mini-programme de Tencent a atteint 143 millions d'utilisateurs mensuels en août et 89,68 millions d'utilisateurs hebdomadaires la première semaine d'octobre, soit 44,1 % de plus qu'à la même période en septembre. Quand le public est de cette taille et les marges de cette finesse, le seul chiffre qui intéresse quelqu'un est le coût de la minute finie.

Dawa affirme que plusieurs micro-drames IA sont déjà en ligne sur Hongguo, dont des titres qui se traduisent à peu près par Evolving From the Tiger King, Possessed by the God of Cooking et My Life on a Deserted Island. La promesse attachée est précise et vérifiable en principe : le nombre de reprises par plan est passé de cinquante ou soixante tentatives à moins de cinq, et le coût de production unitaire a chuté d'un ordre de grandeur par rapport aux modèles courants.

Si même la moitié tient, cela explique le financement. Cinq cents millions de yuans, environ 70 millions de dollars, sur un tour Pre-A et un tour A cette année, avec la participation de Qifu Capital, Kongkong Donghai, Yicun Capital et d'autres. La société dit aussi avoir confirmé près de 500 millions de yuans de revenus cette année et être rentable à l'échelle, ce qui, dans ce secteur, est une phrase réellement inhabituelle.

Les 180 téraoctets que personne d'autre n'a

La douve qu'ils décrivent n'est pas le modèle. C'est le jeu de données en dessous.

À Yongchuan, à Chongqing, Dawa exploite un studio numérique de 84 000 mètres carrés avec 11 plateaux occupés, dit-elle, à plus de 92 %. En cinq ans, plus de 300 projets commerciaux y sont passés de bout en bout, produisant environ 180 téraoctets de données de processus structurées : comment la caméra bougeait, où se tenaient les acteurs, comment les lumières étaient placées, comment les accessoires étaient manipulés. Plus de 300 dimensions d'annotation par scène.

C'est un autre type de données que le corpus vidéo d'Internet. Un clip YouTube apprend à un modèle à quoi ressemble une scène. Un journal de tournage lui apprend pourquoi la scène ressemble à ça. Pour un modèle de contrôle, le second est tout l'enjeu, parce que le contrôle est la mise en correspondance entre intention et résultat, et cette correspondance n'existe que dans le compte rendu du processus.

C'est aussi l'actif le moins réplicable de la société. Il ne se scrape pas, et il ne s'accumule que si vous produisez déjà. Ce cercle vertueux — les tournages produisent des données, les données améliorent le modèle de contrôle, le modèle gagne d'autres tournages — est le vrai argument, et il est meilleur qu'un tableau de benchmarks.

La comparaison que tout le monde fera

Higgsfield, la société de San Francisco au nom proche qui circule dans les discussions, a pris une autre route. D'après les articles parus autour du tour de table de Dawa, Higgsfield a brûlé 10 millions de dollars en trois tentatives, puis entendu la même réponse de huit directeurs de création seniors : la pièce manquante, c'est le contrôle de la caméra et du plan, pas la qualité de génération. Ils en ont fait une fonctionnalité de couche applicative, sont passés de 1 à 100 millions de dollars de revenus annualisés en dix-huit mois, et seraient valorisés à 5,4 milliards de dollars après leur tour B. La position publique de leur fondateur : les entreprises verticales ne doivent pas courir après les modèles fondamentaux généralistes ; la douve, c'est le routage de modèles, avec environ 40 % des appels assignés automatiquement et des marges brutes supérieures à 80 %.

La contre-argumentation de Dawa : le routage décide quel modèle génère, une couche de contrôle décide si la sortie peut être modifiée et rester cohérente. L'un optimise le coût. L'autre décide si vous pouvez livrer. La distinction est juste, et elle explique aussi pourquoi ils ont construit un plateau de cinéma plutôt qu'une table de routage.

Savoir si c'est la meilleure affaire reste ouvert. Le routage passe à l'échelle avec la demande et n'a pas besoin de studio. Un modèle de contrôle a besoin de 84 000 mètres carrés et d'une décennie de tournages avant d'être défendable.

Ce que je voudrais voir avant d'y croire

Trois choses.

D'abord, une mesure indépendante des nombres de reprises. « De cinquante à cinq » est le genre de chiffre qui s'arrondit dans un pitch, et la différence entre cinq et quinze sépare une production rentable d'un passe-temps.

Ensuite, une session en direct, non montée, de la promesse des 120 minutes sans dérive. La dérive se cache facilement dans une bande de moments forts et impossiblement dans une heure de flux continu.

Enfin, un film sorti. Le générique de Dawa inclut une contribution à Wild Times, primé à Cannes, et à The Vanished, sorti en salle, et la société dit préparer le premier long-métrage de cinéma entièrement généré par IA du secteur. Un long-métrage est une façon très publique de se tromper, et c'est précisément pourquoi il trancherait le débat.

Ce que je trouve le plus convaincant n'est pas la démo. C'est que la société a acheté un studio de cinéma, embauché des équipes et passé cinq ans à enregistrer comment un plan se fabrique. C'est un pari lent et sans éclat sur l'idée que le goulot de la vidéo IA n'a jamais été les pixels. C'était de savoir ce qu'on veut, et de pouvoir le garder.